时间序列数据的特征表示、相似性度量及其应用研究

第1章绪论1 1.1选题背景及研究意义1 1.1.1选题背景2 1.1.2研究意义4 1.2研究现状和已有研究的不足之处7 1.2.1特征表示研究现状8 1.2.2相似性度量研究现状17 1.2.3已有研究的不足之处27 1.3本书研究内容和框架结构29 1.3.1研究内容30 1.3.2框架结构32 第2章基于正交多项式回归系数的特征表示及相似性度量36 2.1正交多项式回归系数特征表示37 2.2拟合效果分析38 2.3相似性度量40 2.4数值实验45 2.4.1拟合误差分析46 2.4.2下界紧凑性及数据剪枝能力47 2.4.3时间序列分类和聚类50 2.5本章小结53 第3章分段聚合特征表示及相似性度量55 3.1分段聚合近似56 3.2基于二维统计特征的分段聚合近似57 3.2.1分段聚合近似的下界性58 3.2.2线性统计特征59 3.2.3非线性统计特征62 3.2.4数值实验63 3.3基于二维形态特征的分段符号聚合近似65 3.3.1形态特征符号聚合近似67 3.3.2相似性度量及算法描述71 3.3.3数值实验73 3.4基于主要形态特征的分段聚合近似74 3.4.1主要形态特征表示75 3.4.2形态特征相似性度量80 3.4.3数值实验82 3.5本章小结89 第4章时间序列分段云模型特征表示及相似性度量91 4.1云模型简介92 4.2时间序列云模型特征表示95 4.2.1时间序列分段云近似96 4.2.2自适应分段云近似98 4.3云模型相似性度量100 4.3.1基于期望曲线的云模型相似度计算方法101 4.3.2基于边界曲线的云模型相似度计算方法106 4.4基于云模型的时间序列相似性计算107 4.5实验结果及分析108 4.5.1仿真实验109 4.5.2协同过滤推荐实验110 4.5.3时间序列分类分析112 4.5.4时间序列聚类分析114 4.6本章小结117 第5章不等长时间序列数据的弯曲距离度量118 5.1分段线性近似的导数动态时间弯曲度量118 5.1.1自适应分段线性表示120 5.1.2特征弯曲度量128 5.1.3数值实验129 5.2高效动态时间弯曲相似性搜索方法133 5.2.1高效动态时间弯曲134 5.2.2相似性搜索方法137 5.2.3数值实验140 5.3本章小结142 第6章时间序列数据的异步主成分分析144 6.1研究动机145 6.2主成分分析147 6.3异步主成分分析149 6.4实验评估153 6.4.1模拟数据聚类153 6.4.2UCI和股票数据挖掘158 6.5本章小结161 第7章共现时间序列聚类的主题网络分析163 7.1研究思路163 7.2基于Matrix Profile和社区检测的时间序列聚类方法165 7.2.1相关性度量166 7.2.2网络构建167 7.2.3社区检测168 7.2.4实例与过程170 7.3基于同时段时序相似性的主题网络聚类171 7.3.1主题关系定义172 7.3.2相关性度量173 7.3.3网络构建与划分174 7.4聚类结果与分析176 7.4.1滑动窗口构建网络聚类结果与分析176 7.4.2平均分段构建网络聚类结果与分析179 7.5本章小结181 第8章时间序列矩阵画像的金融数据预测分析182 8.1问题分析182 8.2矩阵画像相关理论185 8.3股票价格波动趋势预测方法188 8.3.1机构交易行为知识库188 8.3.2模式匹配191 8.3.3预测算法193 8.4实验分析195 8.4.1数据收集与处理195 8.4.2预测结果评测标准196 8.4.3实例分析197 8.4.4实验评估201 8.5本章小结207 第9章期刊文献时间序列数据分析209 9.1研究动机209 9.2近邻传播聚类算法212 9.3数据来源与研究思路213 9.4参考文献来源期刊分析214 9.4.1参考文献来源期刊被引数值聚类分析215 9.4.2参考文献来源期刊被引趋势聚类分析218 9.5引证文献来源期刊分析220 9.5.1引证文献来源期刊被引数值聚类分析221 9.5.2引证文献来源期刊被引趋势聚类分析224 9.6本章小结226 第10章发动机参数时间序列数据特征分析与异常检测228 10.1基于形态特征的发动机参数特征识别229 10.1.1数据来源229 10.1.2参数特征识别方法231 10.1.3数值实验234 10.2基于统计特征的发动机故障检测236 10.2.1不相似模式发现算法237 10.2.2基于非线性统计特征的异常检测238 10.2.3数值实验240 10.3本章小结242 第11章总结与展望244 11.1主要结论244 11.2主要创新点246 11.3研究展望249